Thèse Dads Déploiement Optimisé d'Algorithmes d'Apprentissage Automatique Hétérogènes sur un Drone Marin de Surface H/F - Doctorat.Gouv.Fr

Établissement : Université de Bretagne Occidentale École doctorale : École doctorale Mathématiques & Sciences et Technologies de l'Information et de la Communication en Bretagne Océane Laboratoire de recherche : Laboratoire des Sciences et Techniques de l'Information, de la Communication et de la Connaissance Direction de la thèse : Laurent LEMARCHAND ORCID 0000-0003-0894-4076 Date limite de candidature : 2026-05-15T00:00:00
Les drones marins de surface (USV) prennent une place majeure dans l'automatisation des opérations maritimes, en permettant de réduire les coûts et d'améliorer la sécurité des équipages. Utilisés dans des missions variées (scientifiques, industrielles, militaires) d'observation et de surveillance, leur pilotage autonome ou semi-autonome constitue un domaine de recherche actif.
La conduite d'un USV repose sur des capacités avancées de perception et de décision intégrées au système de guidage/navigation/contrôle. Ces capacités doivent permettre au drone de s'adapter à un environnement complexe (vagues, vent, courant) et d'éviter les obstacles lors de manoeuvres délicates, comme l'amarrage. Les opérations nécessitent aussi une interaction homme-machine, via des consignes et des alertes échangées avec l'opérateur.
Pour répondre à ces défis, des modèles d'apprentissage automatique (ML) exploitant des données hétérogènes (séries temporelles, images, interactions humaines) sont souvent déployés dans le cloud. Toutefois, ces solutions conviennent mal au pilotage de drones en raison de contraintes de confidentialité et surtout de performance, notamment la latence. L'enjeu scientifique est donc de déployer localement des modèles ML légers et variés, capables de satisfaire les objectifs opérationnels d'une mission tout en respectant les ressources limitées de calcul, stockage et communication disponibles sur l'USV ou sa station de base.
Ce sujet porte sur l'embarquabilité de modèles ML et de leurs données associées à bord d'un USV. Le déploiement doit s'adapter à différentes topologies matérielles (Raspberry Pi, NVIDIA Jetson, PC, stockage embarqué/débarqué) et respecter des contraintes de temps et d'énergie.
L'intégration d'une architecture ML embarquée soulève des problématiques de placement des fonctions et des données, de communication et d'ordonnancement. De plus, les traitements ML comportent plusieurs phases : entraînement, exécution et renforcement. L'entraînement se fait nécessairement avant la mission, en mode hors-ligne, sur des ressources importantes. Bien que la thèse se concentre sur la partie en ligne (exécution et renforcement en mission), la maîtrise de la phase hors-ligne reste essentielle, car elle conditionne la production de modèles légers et adaptables au contexte contraint de l'embarqué.

Dans le contexte de l'EUR ISblue, de nombreux projets collaboratifs ont été menés avec les laboratoires de l'IUEM. En particulier, la thèse [MA] financée par l'ISblue a permis d'intégrer des problématiques d'observation scientifique pour une gestion optimisée des données pour un USV. Ces travaux se sont appuyés sur des échanges avec les équipes de l'IUEM et ont abouti à des présentations lors des journées ISblue 2024 et lors des journées du réseau CNRS Drones &Cap' de 2023 au lac de Guerlédan.
Nous collaborons depuis des années avec l'équipe de course au large FGMerConcept (Concarneau) sur des problématiques proches de cette étude dans le contexte du pilotage des voiliers de course (analyse de l'état de mer et de l'état du navire, interaction skipper - pilote automatique, routage optimisé), dans le contexte d'une thèse défendue en 2019 et depuis via de nombreux projets et stages (un par an depuis 2018). Plus récemment, nous avons initié une collaboration avec la société SEASIDETECH de Mellac (29) pour analyser les consommations des remorqueurs en fonction de la meteo et du type de conduite. Cette étude s'appuie sur des modèles de ML.
L'équipe de recherche porte régulièrement des micro-projets au sein du GIS Cormorant (laboratoire commun Thalès/Lab-STICC). En particulier, nous avons mené et souhaitons développer des projets de recherche autour d'un simulateur d'essaim de drones marins à des fins de surveillance. L'idée est de définir une stratégie de simulation afin de déterminer la configuration optimale de l'essaim pour une mission de surveillance. Un autre projet Cormorant en cours dans le domaine de la guerre des mines s'intéresse à la recherche et destruction de mines par un essaim de drones de surface et sous-marins qui nécessite l'embarquement de capacités de reconnaissance basées sur des méthodes ML. Pour ces collaborations industrielles, la thèse proposée permettra de définir les capacités embarquables possibles pour un USV donné.
Nous avons aussi collaboré avec des industriels dans le cadre l'IRT bcom sur les thématiques ML et USV.
Par exemple, la thèse [VL] financée par l'IRT bcom s'est intéressée à la problématique du déploiement efficace de systèmes de détection d'intrusions à base de ML sur une meute d'USV.

[VL] Vincent Lannurien, « Allocation et placement dynamiques sur ressources hétérogènes pour le cloud serverless », thèse de doctorat ENSTA Bretagne, 20 Nov 2024.
[MA] Manele Ait-Habouche. « Une infrastructure performante de services distribués pour la collecte et la visualisation de séries temporelles issues de drones marins », thèse de doctorat UBO, 19 Dec 2024.

Le Lab-STICC travaille régulièrement sur des projets de ML dédiés à l'environnement marin et plus particulièrement aux drones. Le Lab-STICC s'est aussi plus spécifiquement intéressé à des problématiques de pilotage et de routage d'engins évoluant en milieu marin [2][3], qu'il s'agisse de drones de surface ou sous-marins, de voiliers dans le cadre de la collecte de données [1] ou de la compétition. Ces travaux sont menés dans le cadre d'échanges scientifiques avec la communauté ISblue ou dans le cadre de cluster tels que SEQUOIA.
ISBlue (Interdisciplinary graduate School for the Blue planet) est une école universitaire de recherche qui s'appuie sur 9 établissements (UBO, UBS, CNRS, Ifremer, IRD, École Navale, ENIB, ENSTA et IMT-Atlantique) et 13 unités de recherche.
La thèse proposée est au coeur du thème Systèmes d'observation d'ISBlue auquel nous avons contribué dans le cadre de deux projets. Le premier projet ExpeDrone a permis la mise en place de journées d'expérimentation multi-équipes de capteurs et drones marins dans le bassin d'essai Ifremer, la base CELADON et la base d'essai de Sainte-Anne. Le projet DevDrone a lui porté sur la mise en place d'outils logiciels qui facilitent l'utilisation de drones marins comme plateformes d'observation. la thèse aura pour objectif de poursuivre ces projets en lien forts avec les scientifiques utilisateurs de drones à des fins d'observation.
Enfin, dans le cadre du CPER SMD-MAR (Systèmes Multi-Drones multi-milieux appliqués au domaine MARitime - 2015-2020), le Lab-STICC/UBO s'est équipé d'un premier USV en 2020. Fort de cette première expérience, nous participons au CPER BrestBaybase (2021-2027) porté par l'IFREMER (partenaires Ecole navale, ISEN, UBO, UBS) qui vise à équiper la rade de Brest d'équipements adéquats pour faire de la rade de Brest un lieu privilégié pour les essais de drones et capteurs marins et sous-marins. Dans ce CPER, nous jouons le rôle d'end-user avec l'achat de drones de surface et sous- marins, drones opérables dans les zones d'essais visées par le CPER. Pour la thèse, il s'agira d'utiliser les 4 USVs, achetés dans le cadre de ces deux CPERs, pour démontrer leur possible utilisation sûre et efficace dans le cadre de l'observation scientifique et de la surveillance.

[1] P. Belcak et al. « Small Language Models Are the Future of Agentic AI ». 2025. arXiv: 2506.02153 [cs].
[2] K. Le Gall, L. Lemarchand and C. Dezan. « Online USV Re-planning with Embedded Pareto Sets ». IEEE MECO conf proc.. 2024.
[3] K. Le Gall et al. « Simulation-Based Protocol for an Accurate Comparison of Sailboat Routing Algorithms ». J. of Sailing Technology, 2025.